/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
25,6 ГБ
Лицензия
MIT
Архитектура
qwen3_5_moe · dense
Базовая модель
Ornith-1.5-35B-A3B
Библиотека
transformers
Опубликована
22 авг 2026

Ornith-1.5-35B-A3B-W4A16-SYM

Изображение и текст → текст15 профессий

MIRALABS/Ornith-1.5-35B-A3B-W4A16-SYM — симметрично переквантизированная версия мультимодальной модели Ornith-1.5-35B-A3B, разработанная командой Milner Team (MIRALABS) на основе модели ornith-ai.

246скачиваний за 30 дней3лайкавеса обновлены22 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель относится к семейству Qwen3.6/3.5 A3B MoE и предназначена для локального запуска и обслуживания через vLLM, включая задачи генерации текста, рассуждений и обработки изображений и видео. В README также указана встроенная поддержка reasoning/tool parser для конфигурации первого запуска.

Это MoE-модель с заявленным размером 35B и активной конфигурацией A3B. Маршрутизируемые экспертные слои переквантизированы в W4A16 symmetric с 4-битными весами, 16-битными активациями и размером группы 32; vision tower и MTP head сохранены в BF16. Формат хранения — compressed-tensors/pack-quantized, поддерживается vLLM версии 0.19 и новее с Marlin backend. Заявленный максимальный контекст — 32 768 токенов. Поддерживаемые языки в README не указаны.

Сильная сторона модели — возможность запуска MoE-варианта на NVIDIA GPU через vLLM с существенно меньшими требованиями к памяти; на двух RTX 3090 заявлена загрузка примерно по 20 ГБ на GPU. К ограничениям относятся потери качества и расхождения с BF16-версией из-за 4-битной квантизации, а также необходимость совместимой конфигурации vLLM и оборудования. Модель распространяется по лицензии MIT.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ornith-1.5-35B-A3B-W4A16-SYM

vLLM-compatible symmetric W4A16 (group size 32) re-quantization of ornith-ai/Ornith-1.5-35B-A3B, in compressed-tensors / pack-quantized format.

This is the same model as ulkaa/Ornith-1.5-35B-A3B-AWQ-INT4, re-quantized so it loads and runs on NVIDIA GPUs in vLLM. The author's original release is asymmetric W4A16 (int8 per-group zero-points), which vLLM's MoE WNA16 kernels cannot load: they dequantize with a fixed zero-point of 8 and hard-assert symmetric for MoE (AssertionError: Only symmetric quantization is supported for MoE). That asym build is validated for SGLang on Intel Arc only.

Formatcompressed-tensors / pack-quantized
SchemeW4A16 symmetric, group size 32
Quantizedrouted MoE experts only (40 layers × 256 experts × 3 proj = 30,720 modules)
Vision towerpreserved, BF16
MTP headpreserved, BF16 (model-mtp.safetensors)
Served onvLLM ≥ 0.19, CompressedTensorsWNA16MarlinMoEMethod (Marlin backend)

How it was produced

Starting from the author's asymmetric checkpoint, each expert projection was:

  1. Dequantized exactly to float32: W = (q − zp)·s (original bf16 scale).
  2. Re-quantized symmetric about zero with fresh per-group scales: s_new = amax(W, per 32-group) / 7.5 (stored bf16), q = clamp(round(W / s_new), −8, 7), repacked 8 codes per int32.
  3. The zero-points were dropped and the config flipped to symmetric: true, zp_dtype: null.

vLLM reconstructs each weight as (q − 8)·s_new. The cost is one extra re-quantization step (~amax/15 per group) on top of the original AWQ quantization. Everything non-quantized (BF16 vision tower, linear/full attention, shared experts, norms, lm_head, embeddings, biases, A_log/ dt_bias/conv1d, and the full BF16 MTP head) is byte-identical to the source. The conversion script is ornith_asym_to_sym.py (deterministic, resumable, validates that no zero-points and no 3-D packed tensors remain).

Serve with vLLM

vllm serve /path/to/Ornith-1.5-35B-A3B-W4A16-SYM \
  --tensor-parallel-size 2 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90 \
  --host 127.0.0.1 --port 9001 \
  --limit-mm-per-prompt '{"image":1,"video":1}' \
  --mm-processor-kwargs '{"max_pixels":401408}'

On two RTX 3090 (Ampere) it loads with Using Marlin backend for WNA16 MoE (group_size=32, num_bits=4) and serves at ~20 GB per GPU. Use --kv-cache-dtype auto on Ampere (no fp8). The reasoning/tool parsers are model-built-in for this first-serve config.

Quality

Verified against the release coherence gate on vLLM: multi-step arithmetic (correct), syllogistic reasoning (correct), memoized Python (correct), and a basic color image (correct dominant color). As with any 4-bit build, greedy output diverges from BF16; this is a 4-bit model.

Provenance

  • Base: ornith-ai/Ornith-1.5-35B-A3B (MIT), a fine-tune of the Qwen3.6/3.5 A3B MoE family.
  • Source asym build: ulkaa/Ornith-1.5-35B-A3B-AWQ-INT4 (MIT).
  • Re-quantized by the Milner Team (MIRALABS) for local vLLM serving.

License

MIT, inherited from ornith-ai/Ornith-1.5-35B-A3B.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
08e6d31

0 моделей